Artificial Intelligence and Machine Learning for Stock Market Prediction: A Systematic Literature Review of Methods, Emerging Paradigms, Reproducibility, and Evaluation Gaps (2016-2026)
685 अध्ययनों (2016-2026) का यह व्यवस्थित साहित्य समीक्षा (सिस्टमैटिक लिटरेचर रिव्यू) एआई-संचालित शेयर बाजार भविष्यवाणी के विकास, पुनरुत्पादकता और मूल्यांकन अंतराल का विश्लेषण करती है, जो डेटा लीकेज, कोड साझा करने की कमी और अपर्याप्त सांख्यिकीय परीक्षण जैसे व्यापक मुद्दों के कारण रिपोर्ट की गई मॉडल सटीकता और व्यावहारिक ट्रेडिंग उपयोगिता के बीच एक महत्वपूर्ण विच्छेद को प्रकट करती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
शेयर बाजार की कीमतों की भविष्यवाणी करना बेहद कठिन है। वे सीधी रेखाओं में नहीं चलतीं, वे अक्सर शोर-शराबे से भरी होती हैं, और समय के साथ अपना व्यवहार बदल लेती हैं। दशकों तक, अर्थशास्त्रियों ने इन गतिविधियों का पूर्वानुमान लगाने के लिए सरल गणितीय नियमों का उपयोग करने की कोशिश की, जो यह मानते थे कि भविष्य वैसा ही होगा जैसा अतीत था। लेकिन जैसे-जैसे कंप्यूटर तेज़ और अधिक शक्तिशाली होते गए, शोधकर्ताओं की एक नई पीढ़ी ने अराजकता में पैटर्न खोजने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करना शुरू कर दिया। ये सिस्टम, जिन्हें मशीन लर्निंग मॉडल के रूप में जाना जाता है, ऐतिहासिक डेटा की विशाल मात्रा को आत्मसात कर सकते हैं ताकि उन सूक्ष्म संकेतों को पहचान सकें जिन्हें मानव विश्लेषक शायद छोड़ दें। इसका वादा लुभावना है: यदि कोई कंप्यूटर यह सीख सके कि शेयर किस दिशा में जाएगा, तो यह महत्वपूर्ण धन उत्पन्न कर सकता है। फिर भी, उत्साह के बावजूद, यह क्षेत्र एक निरंतर समस्या से ग्रस्त रहा है। कई अध्ययन एक विजेता फॉर्मूला खोजने का दावा करते हैं, लेकिन जब अन्य लोग उस काम को दोहराने की कोशिश करते हैं, तो परिणाम अक्सर गायब हो जाते हैं।
शोधकर्ताओं की एक टीम यह समझने के लिए आगे बढ़ी कि यह अंतर क्यों मौजूद है कि शोध पत्र क्या रिपोर्ट करते हैं और वास्तव में वास्तविक दुनिया में क्या काम करता है। उन्होंने 2016 और 2026 के बीच प्रकाशित 685 वैज्ञानिक अध्ययनों की एक व्यापक समीक्षा की, जिसमें इस बात की जांच की गई कि शेयर बाजारों का पूर्वानुमान लगाने के लिए वर्तमान में आर्टिफिशियल इंटेलिजेंस का उपयोग कैसे किया जा रहा है। उनका काम स्वयं कोई नया प्रेडिक्शन मॉडल नहीं है, बल्कि पूरे क्षेत्र का एक गहरा ऑडिट है। उन्होंने निर्मित किए जा रहे कंप्यूटर आर्किटेक्चर के प्रकारों, पिछले दशक में तरीके कैसे बदले हैं, और सबसे महत्वपूर्ण रूप से, यह देखा कि क्या परिणाम भरोसेमंद हैं। हजारों शोध पृष्ठों को छाँटते हुए, उन्होंने एक ऐसा परिदृश्य उजागर किया जहाँ तकनीक तेजी से आगे बढ़ रही है, लेकिन यह साबित करने के मानक कि वह तकनीक काम करती है, उसके साथ तालमेल नहीं बिठा पाए हैं।
शोधकर्ताओं ने पाया कि यह क्षेत्र सरल रैखिक समीकरणों से बहुत आगे निकल चुका है। उनकी समीक्षा के शुरुआती वर्षों में, अध्ययन पुराने सांख्यिकीय उपकरणों या बुनियादी मशीन लर्निंग तकनीकों पर निर्भर थे। 2020 के दशक तक, प्रमुख दृष्टिकोण 'डीप लर्निंग' की ओर स्थानांतरित हो गया, विशेष रूप से 'लॉन्ग शॉर्ट-टर्म मेमोरी' (LSTM) नामक एक प्रकार का न्यूरल नेटवर्क। ये नेटवर्क घटनाओं के अनुक्रमों को याद रखने के लिए डिज़ाइन किए गए हैं, जो उन्हें शेयर की कीमतों जैसे समय-आधारित डेटा के लिए उपयुक्त बनाता है। वास्तव में, उनके द्वारा जांचे गए लगभग 90 प्रतिशत अध्ययनों ने इस तकनीक के किसी न किसी रूप का उपयोग किया। हाल ही में, क्षेत्र ने और भी जटिल प्रणालियों को अपनाना शुरू कर दिया है, जिसमें वे मॉडल शामिल हैं जो बड़े भाषा मॉडल (LLM) के टेक्स्ट प्रोसेस करने के तरीके की नकल करते हैं, और वे सिस्टम जो विभिन्न कंपनियों के बीच संबंधों का विश्लेषण करते हैं जैसे कि वे एक विशाल, बदलते हुए वेब के नोड्स हों। उपकरणों की विविधता विस्फोट के साथ बढ़ी है, अब शोधकर्ता अपनी भविष्यवाणियों को करने के लिए मूल्य डेटा के साथ समाचार लेखों, सोशल मीडिया सेंटिमेंट और यहाँ तक कि सप्लाई चेन कनेक्शनों को भी जोड़ रहे हैं।
हालाँकि, लेखकों ने पाया कि जटिलता के इस विस्फोट का मुकाबला विश्वसनीयता में समान वृद्धि ने नहीं किया है। जब उन्होंने पुनरुत्पादकता (reproducibility)—यानी अन्य वैज्ञानिकों द्वारा उसी डेटा और कोड का उपयोग करके समान परिणाम प्राप्त करने की क्षमता—के लिए अध्ययनों का ऑडिट किया, तो उन्हें एक चौंकाने वाली कमी मिली। केवल लगभग 7.6 प्रतिशत 685 अध्ययनों ने मॉडलों को चलाने के लिए आवश्यक वास्तविक कंप्यूटर कोड प्रदान किया। अधिकांश शोधकर्ता अपने निष्कर्षों को उन उपकरणों को साझा किए बिना प्रकाशित करते हैं जिनका उपयोग उन्हें उत्पन्न करने के लिए किया गया था। इसका अर्थ है कि रिपोर्ट की गई अधिकांश सफलताओं को सत्यापित नहीं किया जा सकता है। इसके अलावा, शोधकर्ताओं ने पांच विशिष्ट तरीकों की पहचान की जिनसे अध्ययन अक्सर अनजाने में, बिना किसी इरादे के, त्रुटियां पेश कर देते हैं। एक सामान्य त्रुटि में मॉडल को प्रशिक्षित करने के लिए भविष्य की जानकारी का उपयोग करना शामिल है। उदाहरण के लिए, यदि कोई शोधकर्ता डेटा को ट्रेनिंग और टेस्टिंग सेट में विभाजित करने से पहले पूरे दस साल की अवधि के उच्चतम और निम्नतम मूल्यों का उपयोग करके डेटा को नॉर्मलाइज़ (normalize) करता है, तो मॉडल प्रशिक्षण चरण के दौरान प्रभावी रूप से भविष्य को देख लेता है। यह उच्च सटीकता का भ्रम पैदा करता है जो नए, अनदेखे डेटा पर मॉडल के उपयोग होते ही ढह जाता है।
समीक्षा ने इस बात पर भी प्रकाश डाला कि लैब में मॉडलों का परीक्षण कैसे किया जाता है और वास्तविक बाजार में उनका प्रदर्शन कैसा होता है, इसके बीच एक विसंगति है। कई अध्ययन प्रभावशाली सटीकता दर रिपोर्ट करते हैं, कभी-कभी यह दावा करते हुए कि वे किसी शेयर की दिशा को 90 प्रतिशत से अधिक बार सही ढंग से भविष्यवाणी कर सकते हैं। फिर भी, ये अध्ययन ट्रेडिंग की लागतों को अनदेखा करते हैं, जैसे कि शुल्क और उस कीमत के बीच का अंतर जो एक ट्रेडर भुगतान करना चाहता है और जो उसे वास्तव में मिलती है। जब शोधकर्ताओं ने उन अध्ययनों की तलाश की जिनमें इन वास्तविक दुनिया के घर्षणों (frictions) को शामिल किया गया था, तो उन्होंने बहुत कम पाए। इसके अतिरिक्त, अधिकांश शोध पत्रों ने यह साबित करने के लिए कठोर सांख्यिकीय परीक्षणों का उपयोग नहीं किया कि उनके परिणाम यादृच्छिक संयोग (random chance) से बेहतर हैं। इसके बजाय, वे सरल तुलनाओं पर निर्भर थे जो आसानी से भ्रामक हो सकती हैं। लेखकों ने उल्लेख किया कि एक मॉडल केवल इसलिए जीनियस लग सकता है क्योंकि वह कल की कीमत को दोहराने में अच्छा है, एक ऐसी चाल जो कागज पर तो अच्छी लगती है लेकिन लाइव मार्केट में कोई पैसा नहीं कमाती।
इन खामियों के बावजूद, शोधकर्ताओं ने यह निष्कर्ष नहीं निकाला कि वित्त के लिए आर्टिफिशियल इंटेलिजेंस बेकार है। इसके बजाय, उन्होंने तर्क दिया कि यह क्षेत्र एक मोड़ पर है। उपकरण शक्तिशाली हैं, लेकिन जिस तरह से उनका उपयोग और मूल्यांकन किया जा रहा है, वह भरोसेमंद होने के लिए बहुत ढीला है। टीम ने इन मुद्दों को ठीक करने के लिए मानकों का एक नया सेट प्रस्तावित किया। उन्होंने शोधकर्ताओं से अपने कोड और डेटा को खुले तौर से साझा करने, अपने मॉडलों का परीक्षण रोलिंग टाइम विंडो का उपयोग करके करने के लिए कहा ताकि भविष्य के डेटा को लीक होने से रोका जा सके, और सिमुलेशन में ट्रेडिंग की लागत को शामिल करने के लिए कहा। उन्होंने यह भी जोर दिया कि सफलता के दावों को औपचारिक सांख्यिकीय प्रमाण द्वारा समर्थित किया जाना चाहिए, न कि केवल ग्राफ पर एक उच्च संख्या दिखाकर। लेखकों ने चेतावनी दी कि इन परिवर्तनों के बिना, यह क्षेत्र ऐसे चमकदार परिणाम उत्पन्न करना जारी रखेगा जो वास्तविक आर्थिक मूल्य में बदलने में विफल रहते हैं। आगे का रास्ता सबसे जटिल एल्गोरिदम के पीछे भागने के बजाय सबसे ईमानदार और सत्यापन योग्य एल्गोरिदम बनाने की ओर बदलाव की मांग करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।